Humanoide roboter har potensial for enestående allsidighet når det. Men, Å oppnå smidige og koordinerte bevegelser i hele kroppen er fortsatt en betydelig utfordring på grunn av det dynamiske misforholdet mellom simulering og den virkelige verden. Eksisterende tilnærminger, for eksempel systemidentifikasjon (Sysid) og domene randomisering (DR) metoder, stoler ofte på arbeidskrevende parameterinnstilling eller resulterer i altfor konservative bevegelser som ofrer smidighet. Justere simulering og ekte fysikk (ASAP) Kan være en løsning.

ASAP er et to-trinns rammeverk utviklet av NVIDIA i samarbeid med Carnegie Mellon University som tar sikte på å bygge bro mellom simulering og ekte fysikk når du underviser i smidige kroppsevner til humanoid roboter.

I den første fasen, Roboten lærer å bevege seg i en simulering ved hjelp av data anskaffet fra menneskelige bevegelser. Denne opplæringen foregår i et simulert miljø med fysiske modeller som prøver å etterligne virkeligheten best mulig som mulig, Men det er fremdeles forskjeller mellom hva simuleringen spår og hvordan roboten oppfører seg i virkeligheten.

I den andre fasen, Den trente politikken overføres til den virkelige verden, Hvor ekte data om robotens oppførsel er samlet inn. Basert på dette, En såkalt Delta-handlingsmodell opprettes, som kompenserer for forskjellene mellom simulert og ekte fysikk. Denne modellen brukes deretter til å finjustere robotens bevegelser, sikre at oppførselen i virkeligheten er så nøyaktig og stabil som mulig.

I videoen, Du kan se roboter som etterligner bevegelsene til kjente idrettsutøvere.